🔍 耿同学打假报告

论文信息

标题：UniLEAD: A Unified and LightwEight model for Anomaly Detection
作者：Shih-Chih Lin, Shang-Hong Lai
期刊：ICCV Workshop (Open Access version by Computer Vision Foundation)
DOI：未在文本中提供
发表年份：推测为 2025 年 (依据参考文献包含 ECCV 2024 及行文语气)
论文来源：非常好的论文2.pdf

综合评定：🟠 高度可疑

(注：由于本次检测仅提供文本提取内容，无法进行像素级图片重复/拼接检测。本结论基于文本逻辑、数据一致性及学术规范得出。)

详细发现

发现 1：核心数据自相矛盾（正文与表格“左右互搏”）

位置：Table 1 / Table 3 & 第 4.3、4.6 节正文
描述：论文中表格报告的数值与正文描述的数据存在严重的、无法用四舍五入解释的冲突。
证据：
1. VisA 数据集指标冲突：在 Table 1 中，UniLEAD 在 VisA 上的 AUROCi 为 92.3；但在 4.3 节正文中写道：“On VisA, UniLEAD delivers 92.0/98.7”。到底是 92.3 还是 92.0？
2. 消融实验数据严重错位：
  - 在 Table 3 中，Top-1 策略的 AUROCi 为 97.1，First 策略为 96.5。
  - 但在 4.6 节正文中，作者却写道：“Top-1... with AUROCi~97.4... First... delivers... AUROCi~97.0”。
  - 这种差异极大概率说明作者在修改实验数据或调整表格后，忘记同步更新正文描述，或者是直接复制粘贴了旧版本的数据。
严重程度：🔴 / 🟠 (这种核心结果的前后矛盾是学术论文的大忌，直接影响结果的可信度)

发现 2：统计学缺失与“薛定谔的 SOTA”

位置：Section 4.1 / Table 1 & Table 2
描述：论文声称实现了 State-of-the-Art (SOTA) 性能，但全篇未报告任何标准差、置信区间或进行多次独立实验。
证据：
- Table 1 中，UniLEAD 在 MVTec AD 上的 AUROCi 为 97.8，MoEAD 为 97.7。
- 在没有标准差的情况下，仅仅凭借 0.1% 的微小优势（且只跑了一次）就宣称 SOTA，在统计学上是毫无意义的。这属于典型的“P-hacking”的深度学习变体——通过调参挤牙膏式刷点，而非真正的技术突破。
- 在 VisA 数据集上，UniLEAD (92.3) 实际上低于 MoEAD (93.1)，但作者在摘要中使用了“competitive”来模糊视线，而在 MVTec LOCO 上又强调最好，选择性 reporting 的痕迹明显。
严重程度：🟡 (在计算机视觉领域很常见，但不足以支撑其“SOTA”的绝对结论)

发现 3：文本复制粘贴残留（“our our”）

位置：Figure 2, Figure 3, Figure 4 的标题
描述：作者在撰写图片标题时，留下了明显的复制粘贴错误。
证据：
- "Figure 2. The VisA dataset visualization of our our proposed framework UniLEAD."
- "Figure 3. The MVTec AD dataset visualization of our our proposed framework UniLEAD."
- "Figure 4. The MVTec LOCO dataset visualization of our our proposed framework UniLEAD."
- 这表明作者在写作时极不严谨，可能是在套用模板或批量生成文本。
严重程度：🟡 (属于写作疏忽，非数据造假，但反映了态度)

发现 4：硬件时间线验证（合理性检查）

位置：Section 4.2 Training and Implementation Details
描述：检测实验设置的时间合理性。
证据：
- 作者提到使用 NVIDIA RTX 4090 进行训练。
- RTX 4090 于 2022 年发布，而参考文献中包含 2024 年的工作，当前检测日期为 2026 年。时间线完全合理，无造假嫌疑。
严重程度：✅ (未发现异常)

发现 5：公式编号跳跃（排版疏忽）

位置：Section 3.2
描述：公式编号不连续。
证据：
- 3.2 节中，Feature Extraction 的公式标号为 (1)，但紧接着 Feature Refinement 的输出直接变成了 (3)（Decoder 输出），中间缺少了公式 (2)。
- 虽然这可能是排版错误（公式2可能是 Jittering 的描述，但在文本中未被正确编号），但也侧面印证了该 Workshop 论文的审稿和校对流程可能较为宽松。
严重程度：🟡

耿同学辣评

这篇论文生动展示了什么叫“只要我不报标准差，我就永远是 SOTA”。更精彩的是，正文和表格的数据竟然还能“各自为战”，Table 3 里的 97.1 到了正文里就自我进化成了 97.4。这种“我写我自己”的魔法，大概是在提交前最后一次修改数据时，手指头没来得及把正文同步更新吧？连 Figure 标题都要深情地喊两声“our our”，这份对模型的热爱确实感动了自己，但建议先感动一下校对工具。

建议后续行动

联系作者要求澄清：直接邮件询问作者 Table 1/3 与正文数据不一致的原因，并要求提供原始实验日志。
要求作者提供带误差棒的结果：特别是针对那些仅差 0.1%~0.2% 的 SOTA 声明。
暂无足够证据向学术委员会举报（目前证据指向粗心和夸大，尚不足以定论为恶意伪造数据）。

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。
(注：本次检测受限于文本输入，无法对 Western Blot 等图像进行像素级查重，仅针对文本逻辑进行分析)

UniLEAD: A Unified and LightwEight model for Anomaly Detection